1.一种基于语义分割的PCB板缺陷检测方法，其特征在于，包括如下步骤：步骤S1：数据采集和缺陷定义；

步骤S2：数据标注与清洗：将标注好的图片文件生成Mask图片存储下来，作为模型训练过程计算模型预测误差的真实值；

步骤S3：图像预处理，数据集制作：统一图像大小，数据增强，扩大图片数量，完成PCB板数据集的制作，所述PCB板数据集包括原图、Mask图和测试集；

步骤S4：构建神经网络模型并进行数据训练：构建全卷积的语义分割网络模型，设置其初始化参数、损失函数以及优化器，在所构建的语义分割网络中输入训练数据集开始训练，经多次迭代收敛后得到分割模型；

步骤S5：模型测试：将测试数据集输入到语义分割网络中，利用步骤S4所得分割模型对图片进行语义分割，对比得到的PCB板分割图和模板图，判断模型的分割精度，若已达到精度要求，则模型训练完成，否则继续迭代或增加训练数据集；

步骤S6：缺陷判决：导出步骤S5中的模型文件，利用该模型对所需判决缺陷的PCB板图片进行缺陷分类；

在所述步骤S4中采用基于深度学习的图像语义分割算法，其网络是一个全卷积层的神经网络，具体结构如下：Part1：特征提取

卷积层，对多通道复合图像进行特征提取；

池化层，降低图像尺寸大小，增大感受野，减小参数，防止过拟合；

第1、2层，卷积层，卷积核大小为3像素，步长为1像素，输出64个特征图；

第3层，池化层，池化核大小为2像素，步长为2像素；

第4、5层，卷积层，卷积核大小为3像素，步长为1像素，输出128个特征图；

第6层，池化层，池化核大小为2像素，步长为2像素；

第7、8层，卷积层，卷积核大小为3像素，步长为1像素，输出256个特征图；

第9层，池化层，池化核大小为2像素，步长为2像素；

第10、11层，卷积层，卷积核大小为3像素，步长为1像素，输出512个特征图；

第12层，池化层，池化核大小为2像素，步长为2像素；

第13、14层，卷积层，卷积核大小为3像素，步长为1像素，输出1024个特征图；

Part2：上采样

还原图像尺寸为输入图像尺寸大小，使深度学习网络结构模型达到像素级别的语义分割效果；

第15层，反卷积层，卷积核大小为2像素，步长为2像素，并与第14层卷积后的输出联合；

第16、17层，卷积层，卷积核大小为3像素，步长为1像素，输出512个特征图；

第18层，反卷积层，卷积核大小为2像素，步长为2像素，并与第17层卷积后的输出联合；

第19、20层，卷积层，卷积核大小为3像素，步长为1像素，输出256个特征图；

第21层，反卷积层，卷积核大小为2像素，步长为2像素，并与第20层卷积后的输出联合；

第22、23层，卷积层，卷积核大小为3像素，步长为1像素，输出128个特征图；

第24层，反卷积层，卷积核大小为2像素，步长为2像素，并与第23层卷积后的输出联合；

第25、26层，卷积层，卷积核大小为3像素，步长为1像素，输出64个特征图；

第27层，卷积层，卷积核大小为1像素，步长为1像素，输出2个特征图。

2.根据权利要求1所述的基于语义分割的PCB板缺陷检测方法，其特征在于，所述步骤S1具体包括：从工厂生产现场采集大量传统自动化工艺流程下的检测装置下无法判决其缺陷的PCB板图片及相应数量的模板图，定义模板图为其PCB板待检测缺陷标准。

3.根据权利要求1所述的基于语义分割的PCB板缺陷检测方法，其特征在于，所述步骤S1还包括：结合厂家需求与其行业专家知识确定PCB板缺陷类型，利用语义分割标记软件作为图像缺陷标记工具进行数据标注工作。

4.根据权利要求1所述的基于语义分割的PCB板缺陷检测方法，其特征在于，所述步骤S1还包括：缺陷类型包括：开路、短路、孔坡、毛刺、缺口、铜渣、线幼、针孔。

5.根据权利要求1所述的基于语义分割的PCB板缺陷检测方法，其特征在于，所述步骤S1还包括：将采集到的图片进行统一尺寸为572＊572，同时准备每张图片的相对应模板图。

6.根据权利要求1所述的基于语义分割的PCB板缺陷检测方法，其特征在于，所述步骤S2的图像数据清洗，是根据厂家及行业专家对缺陷的定义，对步骤S1中采集到的实际图像进行真缺陷与假缺陷的分类。